분류 전체보기
-
-
-
AI 모델 개발 – ROC & P-R Curve 완전 정리카테고리 없음 2025. 8. 31. 13:41
목적: ROC Curve와 Precision-Recall Curve 개념을 비교·이해하고, 해석법·시험 포인트까지 쉽게 정리.0) 핵심 한눈에 보기ROC Curve: 민감도(Recall, TPR) vs 위양성율(FPR) 곡선.P-R Curve: 정밀도(Precision) vs 재현율(Recall) 곡선.시험 포인트: 클래스 불균형 상황에선 PR Curve가 더 적합.1) 기본 지표 복습TP: 실제 양성 맞춤.FP: 실제 음성인데 양성으로 예측.TN: 실제 음성 맞춤.FN: 실제 양성인데 음성으로 예측.Precision (정밀도) = TP / (TP + FP) → 양성 예측 중 얼마나 맞췄나.Recall (재현율, 민감도, TPR) = TP / (TP + FN) → 실제 양성 중 얼마나 잡았나.FPR (..
-
AI 모델 개발 – Vanishing Gradient 완전 정리카테고리 없음 2025. 8. 31. 13:40
목적: Vanishing Gradient(기울기 소실) 문제를 처음 접하는 사람도 직관적으로 이해할 수 있도록, 원인→영향→해결책→시험 포인트까지 쉽게 정리.0) 핵심 한눈에 보기정의: 신경망을 역전파 학습할 때 기울기(gradient)가 점점 0에 가까워져 초깊은 층의 가중치가 학습되지 않는 문제.비유: 긴 전달게임에서 말이 계속 희미해져 맨 끝 친구는 아무것도 못 듣는 상황.1) 왜 발생할까?역전파는 체인룰: $∂L/∂W = ∂L/∂h_n · ∂h_n/∂h_{n-1} · ... · ∂h_1/∂W$.각 항이 0~1 사이 작은 값이면 곱할수록 더 작아짐.대표 원인:활성함수: Sigmoid/tanh → 입력이 크면 기울기 거의 0.깊은 네트워크: 곱 연산 누적으로 지수적으로 작아짐.잘못된 초기화: 가중치가..
-
AI 모델 개발 – Pruning 완전 정리카테고리 없음 2025. 8. 31. 13:39
목적: Pruning(프루닝, 가지치기) 개념을 직관적으로 이해하고, 종류·방법·장단점·시험 포인트까지 정리.0) 한눈에 핵심정의: 신경망에서 불필요한 가중치/뉴런/채널을 제거해 경량화.목표: 연산량↓, 메모리↓, 속도↑, 정확도는 유지.비유: 큰 나무(모델)에서 쓸모 없는 가지(가중치)를 잘라내어 더 효율적으로.1) 왜 필요한가?대형 모델 = 정확도↑ 하지만 연산·메모리 비용 큼.모바일·엣지 디바이스, 실시간 서비스에서는 가볍고 빠른 모델 필요.Pruning은 추가 학습 없이 구조를 슬림하게 만들 수 있는 대표적 방법.2) 종류(1) 비구조적(Unstructured) Pruning개념: 개별 가중치 단위로 0으로 만듦.장점: 미세한 조정 가능.단점: 실제 속도 개선은 제한적(하드웨어 최적화 필요).(2..
-
AI 시스템 구축 – MLOps 완전 정리카테고리 없음 2025. 8. 31. 13:39
목적: MLOps 개념을 DevOps와 비교해 쉽게 설명하고, 구성요소·레벨·장단점·시험 포인트까지 체계적으로 정리.0) 한눈에 핵심MLOps = 머신러닝 + 운영(Ops).모델 개발부터 배포·모니터링·재학습까지 전체 파이프라인 자동화·관리.목표: 재현성, 신뢰성, 지속 운영.1) DevOps와 비교해 직관적으로DevOps: 소프트웨어 코드를 빠르게 빌드-테스트-배포.MLOps: 데이터 수집→모델 학습→배포→모니터링→재학습까지 ML 특화 루프 관리.차이점: ML은 데이터/모델이라는 변수가 추가 → 데이터 드리프트, 모델 성능 저하 문제 대응 필요.2) MLOps 핵심 구성요소데이터 파이프라인: 수집→정제→피처엔지니어링.실험 관리: 버전 관리(데이터·모델·코드), 실험 추적(MLflow, Weights&B..
-
AI 트렌드 – RAG (Retrieval-Augmented Generation) 완전 정리카테고리 없음 2025. 8. 31. 13:38
목적: **RAG(Retrieval-Augmented Generation)**을 처음 접하는 사람도 쉽게 이해할 수 있도록, ‘정의 → 동작원리 → 구성요소 → 장점/한계 → 응용사례 → 시험 포인트’ 순으로 정리.0) 한눈에 핵심정의: 질문에 답할 때, 모델이 **외부 지식(검색된 문서)**을 가져와 프롬프트에 삽입 후 생성하는 방식.왜?: 사전학습 모델은 최신/도메인 지식 부족 → 검색 결합으로 정확성·근거성 향상.공식: Retrieval(검색) + Augmentation(문맥 보강) + Generation(LLM 출력).1) 직관적 비유큰 시험을 치는데, **머릿속 지식(LLM 파라미터)**만 쓰지 않고, **참고서(외부 문서)**를 옆에 두고 답을 쓰는 것.모델은 검색된 문서 일부를 인용/참조하여..
-
AI 트렌드 – Prompt 기법 (CoT 등) 완전 정리카테고리 없음 2025. 8. 31. 13:37
목적: Prompt 기법 중 특히 시험 단골인 **Chain-of-Thought(CoT)**를 중심으로, Zero-shot/Few-shot, Self-Consistency, 기타 확장 기법까지 쉽게 정리.0) 한눈에 핵심Prompting = LLM에게 어떻게 질문/지시하느냐에 따라 성능이 달라짐.CoT (Chain-of-Thought) = “단계별로 생각해보자” 식으로 추론 과정을 글로 유도.응용: 수학·논리·절차 문제에서 정답률 대폭 향상.1) Prompting 기본 유형Zero-shot: 예시 없이 바로 질문.“서울은 한국의 수도인가?”Few-shot: 프롬프트에 예시 몇 개 포함.Q: 2+2=? A:4 → Q:3+5=? A:8Instruction: 지시문 형태.“다음 문장을 영어로 번역하라.”2) ..